｛“状态”：“正常”，“消息类型”：“工作”，“消息版本”：“1.0.0”，“消息”：｛“索引”：｛“日期部分”：[[2024,4,29]，“日期时间”：“2024-04-29T14:10:14Z”，“时间戳”：1714399814072｝，“引用计数”：68，“出版商”：“施普林格科学与商业媒体有限责任公司”，“发行”：“5”，“许可证”：[｛“开始”：｛“日期部分”：[[2024,3,1]]，“日期时间”：“2024-03-01T00:00:00Z”，“timestamp”：1709251200000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\\/www.springernature.com//gp\/researters\/text-and-data-mining”}，{“start”：{“date-parts”：[[2024,3,1]]，“date-time”：“2024-03-01T00:00:00Z”，“timetamp”：1.70925120000}：“https:\/\/www.springernature.com//gp\/researters\/text-and-data-mining”}]，“资助者”：[{“DOI”：“10.13039\/501100001809”，“名称”：“中国国家自然科学基金会”，“DOI-asserted-by”：“publisher”，“奖项”：[“62076074，61876044，61672169”]}]，”content-domain“：{”domain“:[”link.springer.com“]，”crossmark-restriction“：false}，”short-container-title“用法：[“Appl Intell”]，“published-print”：{“date-parts”：[[2024,3]]}，“DOI”：“10.1007\/s10489-024-05388-z”，“type”：“journal-article”，“created”：{“date-parts”：[2024,3,19]]，“date-time”：“2024-03-19T11:02:30Z”，“timestamp”：1710846150000}，”page“：”4077-4094“，”“update-policy”：”http://\/dx.DOI.org\/10.1007\/springer_crossmark_policy“，”source“：”Crossref“，“is-referenced-by-count”：0，“title”：[“一种基于两代的少快照学习方法，具有少快照实例级特权信息”]，“prefix”：“10.1007”，“volume”：“54”，“author”：[{“给定”：“Jian”，“family”：“Xu”，“sequence”：“first”，“affiliation”：[]}，{“give”：“Jinghui”，“家庭”：“He”，”sequence“：”additional“，“afliance”：[]}，“given”：“刘”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Fan”，“family”：“Cao”，“serquence”:“additionable”，“filiation“：[]{”given“：”Yanshan“，”family“：”Xiao“，”sequence“：”additional“，”affiliation:[]}]，“member”：“297”，“published on”：{“date-parts”：[2024,3,19]]}、“reference”：[{“issue”：“1”，“key”：5388_CR1“，”doi-asserted-by“：”publisher“，“首页”：“240”，“DOI”：“10.1109”，“TCSVT.2021.3058098”，“volume”：“32”，“author”：“C Chen”，“year”：“2022”，“unstructured”：“Chen C，Li K，Wei W et al（2022），少热点学习的层次图神经网络。IEEE Trans Circuits Syst Video Technol 32（1）：240\u2013252。https:\/\/doi.org/10.1109\/TCSVT.2021.3058098”，“期刊标题”：“IEEE Trans Circuits Syst Video Technol”}，｛“key”：“5388_CR2”，“doi断言”：“crossref”，“非结构化”：“Chen M，Fang Y，Wang X et \u00a0al（2020）用于少镜头学习的多样性转移网络。在：AAAI人工智能会议论文集，第10559\u201310566页”DOI“：”10.1609\/aaaai.v34i07.6628“}，{“key”：“5388_CR3”，“DOI-asserted-by”：“crossref”，“unstructured”：“Chen R，Chen T，Hui X et \u00a0al（2020）少热点识别的知识图传输网络。In：人工智能aaai会议论文集，pp 10575\u201310582”，“DOI”：“10.1609\/aaaai.v34i07.6630”}，“key“：”5388_CR“，”非结构化”：“Chen WY，Liu YC，Kira Z et \u00a0al（2019）《关于少数快照分类的进一步研究》。参加：学习代表国际会议。https:\/\/openreview.net\/forum？id=HkxLXnAcFQ“}，{“key”：“5388_CR5”，“doi-asserted-by”：“crossref”，“unstructured”：“Chen Z，Fu Y，Wang YX et \u00a0al（2019）《一次学习的图像变形元网络》。摘自：IEEE\/CVF计算机视觉和模式识别会议论文集，第8680\u20138689页”，“doi”：“10.1109\/CVPR.2019.00888”}，}“issue”：“9”，“key“：”5388_CR“，”doi-asserted-by“：”publisher“，”first page“：”4594“，”doi“：”10.1109\/TIP.2019.2910052“，”volume“：“28”，”author“：”Z Chen“，”year“：”2019“，”unstructured“：”Chen Z，Fu Y，Zhang Y et al（2019）多层次语义特征增强，用于一次性学习。IEEE Trans-Image Process 28（9）：4594\u20134605“，”journal-title“：”IEEE Trans-Image Process“}，{“key”：“5388_CR7”，“unstructured”：“Devlin J，Chang MW，Lee K et \u00a0al（2018）Bert:语言理解深度双向变换器的预训练。arXiv:1810.04805“}”，{”issue“：”4“，”key“：”5388_CR18“，”doi-asserted-by“：”publisher“，”first page“：“594”，“”DOI“：”10.1109\/TPAMI.2006.79“，”volume“：”28“，”author“：”L Fei-Fei“，”year“：”2006“，”unstructured“：”Fei-FeiL，Fergus R，Perona P（2006）《对象类别的一点式学习》。IEEE Trans-Pattern Ana Machine Intell28（4）：594\u2013611。https:\/\/doi.org\/10.109\/TPAMI.2006.79“，“journal-title”：“IEEE Trans-Pattern Ana Machine Intell”}，{“key”：“5388_CR9”，“unstructured”：“Finn C，Abbeel P，Levine S（2017）快速适应深层网络的模型认知元学习。In:第34届国际机器学习会议论文集，pp 1126\u20131135”}doi断言：“crossref”，“非结构化”：“Fu Y，Fu Y，Jiang YG（2021）Meta-fdmixup：由标记目标数据引导的跨领域少镜头学习。摘自：第29届ACM多媒体国际会议论文集，第5326\u20135334页，“DOI”：“10.1145\/3474085.3475655”}，{“key”：“5388_CR11”，“unstructured”：“Gao H，Shou Z，Zareian A et \u00a0al（2018），协变支持对抗性增强网络的低热学习。摘自：神经信息处理系统的进展”}、{“key”：5388_CR12“，”doi-asserted-by“：”publisher“，”first page“：”1789“，”doi“：”10.1007\/s11263-021-01453-z“，”volume“：“129”，”author“：”J Gou“，”year“：”2021“，”unstructured“：”Gou J，Yu B，Maybank SJ et al（2021）知识提炼：一项调查。Int J Comput Vision 129:1789\u20131819“，“journal-title”：“Int J Comput Visiom”}，{“key”：“5388_CR13”，“unstructured”：“Gulrajani I，Ahmed F，Arjovsky M et \u00a0al（2017）改进wasserstein gans的训练。In:神经信息处理系统的进展”}、{“key”：”5388_CR14“，”doi-asserted-by“：”publisher“，”unstructure“：”韩J，程B，万Z et \u00a0al（2023）走向硬少数关系分类。IEEE Trans Knowl Data Eng第1\u201314页。https:\/\/doi.org\/10.109\/TKDE.2023.3240851“，”doi“：”10.1109\/TKDE.2023.32408501“}，{”key“：”5388_CR15“，”doi-asserted-by“：”crossref“，”unstructured“：”He K，Zhang X，Ren S et \u00a0al（2016）图像识别的深度剩余学习。In:IEEE计算机视觉和模式识别（CVPR）会议记录”，“doi”：“10.1109\/CVPR.2016.90“}，{“issue”：“5786”，“key”：“5388_CR16”，“doi-asserted-by”：“publisher”，“first page”：”504“，“doi”：“10.1126\/science.1127647”，“volume”：：“313”，“author”：“GE Hinton”，“year”：“2006”，“unstructured”：“Hinton GE，Salakhutdinov RR（2006）使用神经网络降低数据的维数。science 313（5786）：504\u2013507”，日志标题“：”Science“}，{“key”：“5388_CR17”，“doi-asserted-by”：“publisher”，“unstructured”：“Hong Y，Niu L，Zhang J et \u00a0al（2020）Matchinggan:Matching-based few-shot image generation.In:2020 IEEE International conference on multimedia and expo（ICME），pp 1\u20136，https:\/\/doi.org\/10.109\/IMCE46284.2020.9102917”，”doi“10.1109\/CICME46284.2020.9102917“}”issue“：”3“，”key“：”5388_CR18“，”doi-asserted-by“：”publisher“，”first page“：“1091”，”doi“：”10.1109\/TCSVT.2020.2995754“，”volume“：：”31“，”author“：”W Jiang“，“year”：“2021”，“unstructured”：“Jiang W，Huang K，Geng J et al（2021）多尺度度量学习，用于少量学习。IEEE传输电路系统视频技术31（3）：1091\u20131102。https:\/\/doi.org\/10.109\/TCSVT.2020.2995754“，”journal-title“：”IEEE Trans Circuits Syst Video Technol“}，{“key”：“5388_CR19”，“doi-asserted-by”：“crossref”，“unstructured”：“Kim J，Kim T，Kim S et \u00a0al（2019）用于少快照学习的边标记图神经网络。收录：IEEE计算机视觉和模式识别（CVPR）会议论文集“，”DOI“：”10.1109“，”CVPR.2019.00010“，”{“key”：“5388_CR20”，“unstructured”：“Koch G，Zemel R，Salakhutdinov R et \u00a0al（2015）Siamese neural networks for one-shot image recognition。收录：ICML deep learning workshop，Lille，p\u00a 00“}，”{“issue”：“8”，“key“：”5388_CR21“，”doi-asserted-by“：”publisher“，”first page“：”3458“，”doi“：”10.1109\/TNNLS.2020.3011526“，”volume“：“32”，”author“：”N Lai“，”year“：”2021“，”unstructured“：”Lai N，Kan M，Han C et al（2021）Learning to Learning adaptive classifier-predicator for few-shot Learning。IEEE Trans Neural Netw学习系统32（8）：3458\u20133470。https:\/\/doi.org\/10.109\/TNNLS.2020.3011526“，”journal-title“：”IEEE Trans-Neural Netw学习系统“}，{“key”：“5388_CR22”，“doi-asserted-by”：“crossref”，“unstructured”：“Li K，Zhang Y，Li K et \u00a0al（2020）对手特征幻觉网络，用于少量学习。收录于：IEEE计算机视觉和模式识别会议论文集，pp 13470\u201313479“，”DOI“：”10.1109\/CVPR42600.2020.01348“}，{“key”：“5388_CR23”，“DOI-asserted-by”：“crossref”，“unstructured”：“Li P，Gong S，Wang C et \u00a0al（2022）跨域少快照学习的排序距离校准。在：IEEE\/CFF计算机视觉和模式识别会议论文集，第9099\u20139108页“，DOI”：“10.1109\/CVPR52688200889”｝，｛“key”：“5388_CR24”，“nonstructured”：“Liu Y，Lee J，Park M et \u00a0al（2019）学习传播标签：用于少量学习的传导性传播网络。参加：学习表现国际会议，https:\/\/openreview.net\/forum？id=SyVuRiC5K7“}，{”key“：”5388_CR25“，”doi-asserted-by“：”crossref“，”unstructured“：”Liu Y，Zhang W，Xiang C et \u00a0al（2022）Learning to affiliate:Mutual centralized Learning for few-shot classification.In:IEEE\/CVF计算机视觉和模式识别会议论文集，pp 14411\u201314420“，”doi“：”10.1109\/CVPR52688.2022.01401“}”，{“key”：“5388_CR26”，“doi-asserted-by”：“crossref”，“unstructured”：“罗Q，王L，吕J et \u00a0al（2021）通过变分推理的特征幻觉进行的少快照学习。摘自：IEEE \/CVF计算机视觉应用冬季会议论文集，第3963\u20133972页”，“doi”：“10.1109 \/WACV48630.221.00401”}，{”key“：“5388 _CR27”，“doi-asserted-by”：“crossref”，“unstructured”：“Ma Y，Bai S，An S et \u00a0al（2020）用于少量学习的传导性关系传播网络。收录于：IJCAI，pp 804\u2013810”，“doi”：“10.24963\/IJCAI.2020 \/112”}，{“key”：“5388_CR28”，“非结构化”：“Nichol A，Achiam J，Schulman J（2018）关于一阶元学习算法。arXiv:1803.02999”}、{“key”“”：“5388_CR29”，“非结构化”：“Noh H，You T，Mun J et \u00a0al（2017）通过噪声正则化深层神经网络：其解释和优化。In:Advances In neural information processing systems”}，{“key”：“5388 _CR30”，“unstructured”：“Oreshkin B，Rodr\u00edguez\u00a 0L\u00f3pez P，Lacoste A（2018）Tadam：用于改进少镜头学习的任务相关自适应度量。In:Advances In neural information processing systems“}，{“key”：“5388_CR31”，“unstructured”：“Park SJ，Han S，Baek JW et \u00a0al（2020）Meta variance transfer:Learning to enhancement from the others.In:International conference on machine Learning，PMLR，pp 7510\u20137520”}，“key“：”5388_CR12“doi-asserted-by”：“crossref”，“非结构化”：“彭Z，李Z，张杰等（2019）基于知识转移的少数镜头图像识别。收录于：IEEE计算机视觉国际会议论文集，第441\u2013449页“，”DOI“：”10.1109 \/ICCV.2019.00053“}，{“key”：“5388_CR33”，“unstructured”：“Rusu AA，Rao D，Sygnowski J et \u00a0al（2019）Meta-learning with tential embedding optimization。收录于“：学习表征国际会议”}非结构化“：”Satorras VG，Estrach JB（2018），图神经网络的少快照学习。在：学习表征国际会议，https:\/\/openreview.net\/forum？id=BJj6qGbRW“}，{“key”：“5388_CR35”，“unstructured”：“Schwartz E，Karlinsky L，Shtok J et \u00a0al（2018）Delta-encoder：一种有效的少热点物体识别样本合成方法。In:Advances In neural information processing systems”}，}“key:”5388_CR16“，”doi-asserted-by“：”publisher“，”first page“：”142“，“doi”：“10.1016\/J.patrec.2022.06.012”，“”volume“：”160“，”author“：”E Schwartz“，”year“：”2022“，”unstructured“：”Schwartz-E，Karlinsky L，Feris R et al（2022）Baby迈向多语义学的低潮。模式识别Lett 160:142\u2013147“，”journal-title“：”Pattern Recognition Lett“}，{“key”：“5388_CR37”，“doi-asserted-by”：“crossref”，“unstructured”：“Selvaraju RR，Cogswell M，Das A et \u00a0al（2017）Grad-cam：通过基于梯度的本地化从深层网络中进行可视化解释。摘自：IEEE计算机视觉国际会议论文集，第618\u2013626页，“DOI”：“10.1109\/ICCV.2017.74”}，{“issue”：“8”，“key”：“5388_CR38”，“DOI-asserted-by”：“publisher”，“first page”：”5151“，“DOI:”10.1109\/TCSVT.2021.3135023“，”volume“32”，“author”：“S Shao”，“year”：“2022”，“unstructured”：“Shao S，Xing L，Xu R et al（2022年）Mdfm：用于少镜头学习的多决策融合模型。IEEE Trans Circuits Syst Video Technol 32（8）：5151\u20135162。https:\/\/doi.org\/10.109\/TCSVT.2021.3135023“，“journal-title”：“IEEE Trans-Circuits Syst Video Technol”}，{“key”：“5388_CR39”，“unstructured”：“Snell J，Swersky K，Zemel R（2017）《用于少数人学习的原型网络》。In：《神经信息处理系统的进展》，vol\u00a030。Curran Associates，Inc“}，{”key“：”5388_CR40“，”doi-asserted-by“：”crossref“，”unstructured“：”Sung F，Yang Y，Zhang L et \u00a0al（2018）Learning to compare:Relation network for few-shot Learning。In:IEEE conference on computer vision and pattern recognition，pp 1199\u20131208“，”doi“：”10.1109\/CVPR.2018.00131“}”，{“key”：“5388_CR 41”，“doi-asserted-by“：”crossref“，”unstructured“：”Tang H，Li Z，Peng Z et \u00a0al（2020）Blockmix：基于度量的元学习的元正则化和自校准推理。摘自：《第28届ACM国际多媒体会议论文集》，第610\u2013618页，“DOI”：“10.1145\/3394171.3413884”}，{“key”：“5388_CR42”，“DOI-asserted-by”：“crossref”，“unstructured”：“Tang H，Yuan C，Li Z et \u00a0al（2022）学习注意力引导的金字塔特征，用于少量细粒度识别。模式识别第108792页”，“DOI:”10.1016\/j.patcog.2022.108792“}，{“key”：“5388_CR43”，“doi-asserted-by”：“publisher”，“doi”：“10.1016\/j.neucom.2023.126300”，“volume”：”545“，“author”：“S Tian”，“year”：“2023”，“unstructured”：“Tian S，Li W，Ning X et al（2023）用于增量学习的神经网络表征相似性的连续传递。神经计算545:126300”journal-title“：”Neurocomputing“}，{”key“：”5388_CR44“，”unstructured“：”Vinyals O，Blundell C，Lillicrap T et \u00a0al（2016）一次学习的匹配网络。In：神经信息处理系统进展29“}Simpleshot：重新审视最近邻分类，以获得较少的学习机会。arXiv:1911.04623“}，{“key”：“5388_CR46”，“unstructured”：“Wang Y，Pan X，Song S et \u00a0al（2019）深度网络的隐式语义数据增强。In：神经信息处理系统32的进展”}，}“key:”5388_CR17“，”doi-asserted-by“：”crossref“，”unstructure“：”Wang YX，Girshick R，Hebert M et \u00 a0al“（2018）从假想数据中进行低调学习。摘自：IEEE计算机视觉和模式识别会议记录，第7278\u20137286页“，”DOI“：”10.1109\/CVPR.2018.00760“}，{”key“：”5388_CR48“，”DOI-asserted-by“：”crossref“，”unstructured“：”Wertheimer D，Tang L，Hariharan B（2021）利用特征地图重建网络进行少量快照分类。收录：IEEE计算机视觉和模式识别会议论文集，第8012\u20138021页“，”DOI“：”10.1109\/CVPR46437.2021.00792“}，{“key”：“5388_CR49”，“DOI-asserted-by”：“crossref”，“unstructured”：“谢J，Long F，Lv J et \u00a0al（2022）联合分布问题：用于少量快照分类的深布朗距离协方差。收录于：IEEE计算机视觉和模式识别会议论文集，第7972\u20137981页，“DOI”：“10.1109\/CVPR52688.2022.00781”}，{“key”：“5388_CR50”，“unstructured”：“Xing C，Rostamzadeh N，Oreshkin B et \u00a0al（2019）自适应交叉模式极小点学习。收录于《神经信息处理系统进展》}doi-asserted-by“：”publisher“，”unstructured“：”Xu J，Liu B，Xiao Y（2022）一种用于少量学习的多任务潜在特征增强方法。IEEE Trans Neural Netw学习系统1\u201315。https:\/\/doi.org\/10.109\/TNNLS.2022.3213576“，”doi“：”10.1109\/TNNLS.2022.32135“}，{“key”：“5388_CR52”，“doi-asserted-by”：“publisher”，“unstructured”：“Xu J，Liu B，Xiao Y（2022）一种用于少热点学习的变分推理方法。IEEE Trans Circuits Syst Video Technol 1\u20131。https:\/\/doi.org\/10.109\/TCSVT.2022.3199996“，”doi“：”10.1109\/TCSVD.2022.3199496“}，{“问题”：“12”，“密钥”：“5388_CR53”，“doi-asserted-by”：“发布者”，“首页”：“8674”，“doi”：“10.1109\/TCSVT.2022.3196550”，“卷”：“32”，“作者”：“R Xu”，“年份”：“2022”，“非结构化”：“Xu R，Xing L，Shao S等人（2022年）Gct：用于半监督少镜头学习的图形协同训练。IEEE Trans Circuits System Video Technol 32（12）：8674\u20138687。https:\/\/doi.org\/10.109\/TCSVT.2022.3196550“，“journal-title”：“IEEE Trans-Circuits Syst Video Technol”}，{“key”：“5388_CR54”，“doi-asserted-by”：“crossref”，“unstructured”：“Xu T，Zhang P，Huang Q et \u00a0al（2018）Attngan：细粒度文本到图像的生成，使用注意力生成对抗网络。摘自：IEEE计算机视觉和模式识别会议论文集，pp 1316\u20131324“，”DOI“：”10.1109\/CVPR.2018.00143“}，{”key“：”5388_CR55“，”DOI-asserted-by“：”crossref“，”unstructured“：”Yang F，Wang R，Chen X（2022）Sega：语义引导下的视觉原型注意力，用于少量学习。摘自：IEEE CVF计算机视觉应用冬季会议论文集，pp 1056\u20131066“，“DOI”：“10.1109”，{“key”：“5388_CR56”，“unstructured”：“Yang S，Liu L，Xu M（2021）为少镜头学习提供免费午餐：分配校准。参加：学习表现国际会议，https:\/\/openreview.net\/forum？id=JWOiYxMG92s“}，{“key”：“5388_CR57”，“doi-asserted-by”：“crossref”，“unstructured”：“Ye HJ，Hu H，Zhan DC et \u00a0al（2020）通过嵌入自适应和设置函数实现的少时学习。In:IEEE \/CVF计算机视觉和模式识别（CVPR）会议论文集”，“doi”：“10.1109 \/CVPR42600.2020.00883”}，}doi-asserted-by“：”publisher“，”doi“：”10.1016\/j.patcog.2021.107946“，”volume“：”117“，“author”：”B Zhang“，”year“：”2021“，”unstructured“：”Zhang B，Leung KC，Li X et al（2021）通过概念图学习抽象，实现弱监督少热点学习。模式识别117:107946“，”journal-title“：”Pattern Recognition“}，{”key“：”5388_CR59“，”doi-asserted-by“：”crossref“，”unstructured“：”Zhang B，Li X，Ye Y et \u00a0al（2021）Prototype completion with primitive knowledge for few-shot learning“。In:Proceedings of the IEEE\/CVF conference on computer vision and Pattern Recognition，pp 3754\u20133762“，”DOI“：”10.1109\/CVPR46437.2021.00375“}，{“key”：“5388_CR60”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhang B，Jiang H，Li X et \u00a0al（2022）Metadt：具有可解释的少热点学习类层次结构的元决策树。IEEE Trans-Circuits Syst Video Technol”，“DOI”：“10.1109\/TCSVT.2022.3227574”}，}“key”：“53 88_CR61”，“DOI-asserted-by”crossref“，”unstructured“：”Zhang C，Cai Y，Lin G et \u00a0al（2020）Deepemd：利用可微推土机距离和结构化分类器进行的少量图像分类。摘自：IEEE计算机视觉和模式识别会议论文集，第12203\u201312213页，“DOI”：“10.1109\/CVPR42600.2020.01222”}，{“issue”：“9”，“key”：“5388_CR62”，“DOI-asserted-by”：“publisher”，“first page”：”2867“，“DOI:”10.1109\/TCSVT.2019.2920783“，“volume”：：“30”，“author”：“C Zhang”，“year”：“2020”，“unstructured”：“Zhang C，Li C，Cheng J（2020）利用二值变换的图像对进行快速视觉分类。IEEE传输电路系统视频技术30（9）：2867\u20132871。https:\/\/doi.org\/10.109\/TCSVT.2019.2920783“，“journal-title”：“IEEE Trans-Circuits Syst Video Technol”}，{“key”：“5388_CR63”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhang H，Zhang J，Koniusz P（2019）很少有通过显著性引导的样本幻觉进行射击学习。摘自：IEEE计算机视觉和模式识别会议论文集，第2770\u20132779页，“DOI”：“10.1109\/CVPR.2019.00288”}，{“key”：“5388_CR64”，“unstructured”：“Zhang M，Zhang，Lu Z et \u00a0al（2021）$$\\{$$IEPT$$\\}$$：用于少量学习的实例级和情节级借口任务。参加：学习表现国际会议，https:\/\/openreview.net\/forum？id=xzqLpqRzxLq“}，{”issue“：”12“，”key“：”5388_CR65“，”doi-asserted-by“：”publisher“，”first page“：“8586”，”doi“：”10.1109\/TCSVT.2022.3193612“，”volume“：Mfnet：具有像素级度量学习的多类少快照分割网络。IEEE Trans Circuits System Video Technol 32（12）：8586\u20138598。https:\/\/doi.org\/10.109\/TCSVT.2022.3193612“，”journal-title“：”IEEE Trans-Circuits Syst Video Technol“}，{“key”：“5388_CR66”，“unstructured”：“ZHANG R，Che T，Ghahramani Z et \u00a0al（2018）Metagan:一种对抗性的少热点学习方法。In:Advances In neural information processing systems”}，}“issue”：“10”，“key“：”5388_CR 67“，”doi-asserted-by“：”publisher“，”first page“：”6863“，”DOI“：”10.1109\/TCSVT.2022.3173687“，”volume“：“32”，”author“：”F Zhou“，”year“：”2022“，”unstructured“：”Zhou F，Zhang L，Wei W（2022）Meta-generating deep-teed metrich for few-shot classification。IEEE Trans Circuits System Video Technol 32（10）：6863\u20136873。https:\/\/doi.org\/10.109\/TCSVT.2022.3173687“，”journal-title“：”IEEE Trans-Circuits Syst Video Technol“}，{“key”：“5388_CR68”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhu Y，Liu C，Jiang S（2020）多关注元学习，用于少量细粒度图像识别。In:IJCAI，pp 1090\u20131096“，”doi“：”10.24963\/IJCAI.2020\/152“}]，”container-title“：[“Applied Intelligence”]，“original-title”：[]，“language”：“en”，“link”：[{“URL”：“https:\/\/link.springer.com/content\/pdf\/10.1007\/s10489-024-05388-z.pdf”，“content-type”：“application\/pdf”、“content-version”：“vor”，“intended-application”：“text-mining”}，{“URL”：“https:\/\/link.springer.com/article\/10.1007\/s10489-024-05388-z\/fulltext.html“，“内容类型”：“文本\/html”，“内容版本”：“vor”，“intended-application”：“text-mining”}，{“URL”：“https:\//link.springer\com/content\/pdf\/10.10007\/s10489-024-06388-z.pdf”，“content-type”：“应用程序\/pdf”d-应用程序“：”相似性检查“}”，“存放”：{“日期部分”：[[2024,4,29]]，“日期时间”：“2024-04-29T13:36:57Z”，“时间戳”：1714397817000}，“分数”：1，“资源”：{“主要”：}“URL”：“https:\/\/link.springer.com\/10.1007\/s10489-024-05388-z”}，”副标题“：[]，”短标题“：[]，”发布“：{”日期部分“：[2024,3]]}，“references-count”：68，“journal-issue”：{“issue”：“5”，“published-print“：{“date-parts”：[[2024,3]]}}，“alternative-id”：[“5388”]，“URL”：“http://\/dx.doi.org\/10.1007\/s10489-024-05388-z”，“relationship”：{}，”ISSN“：[“0924-669X”，“1573-7497”]，”ISSN-type“：[{”value“：”0924-6669X“，”type“”：“print”}，{“value”：“1573-4497”，“type”“：”电子“}]，”主题“：[]，”发布“：{”日期部分“：[[2024,3]]}，”断言“：[{”值“：”2024年3月9日“，”订单“：1，”名称“：”已接受“，”标签“：”接受“，“组”：{“名称”：“文章历史”，“标签”：“论文历史”}}，{“值”：“2024年三月19日”，“订单”：2，“名称”:“first_online”，“label”：“first online”，”组“：{”名称“:”文章历史“，”label“：“文章史”}}}ing“，”label“：”声明“}}，{“value“：”作者没有与本文内容相关的竞争性利益需要声明。作者没有相关的财务或非财务利益需要披露。所有作者证明，他们与本手稿中讨论的主题或材料中具有任何财务利益或非财务利益的任何组织或实体没有任何关联或参与。作者在本文讨论的任何材料中都没有财务或所有权利益。“，”order“：2，”name“：”Ethics“，”group“：{”name“:”EthicsHeading“，”label“：”竞争利益“}}]}}